Newest papers

Probabilistic Limit Order Book Forecasting with Conditional Diffusion Models

Junyu Chen, Franklin Liu, Moshu Xu, Lijian Yang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.25495 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Trong khi các mô hình phân tán báo cáo hiệu suất thực nghiệm mạnh mẽ, các mô hình snapshot LOB hiện có thường thiếu một bộ mã hóa lặp đi lặp lại và các bảo đảm thống kê chính thức. Chúng tôi giới thiệu LOBGrad, một khuôn khổ DDPM có điều kiện cho dự báo LOB xác suất kết hợp một bộ mã hóa RNN tự động với một máy phát điện dựa trên phân tán. Đặc biệt, chúng tôi thiết lập một sự bất bình đẳng của oracle rủi ro dư thừa cho mục tiêu dự đoán tiếng ồn DDPM một bước dưới các giả định pha trộn và tính thường xuyên. Chúng tôi tiếp tục cho thấy rằng, dưới động lực hợp đồng, sự phụ thuộc vào độ dài cửa sổ điều hòa có thể được giảm xuống còn phụ thuộc vào kích thước trạng thái tiềm năng tiềm ẩn. Các thí nghiệm trên B/TCUSDT, GOOGL,

Machine translation (Meta M2M100); the English original follows.

Abstract

Modeling limit order book (LOB) dynamics is central to market forecasting and execution-strategy evaluation. While diffusion models achieve strong empirical performance, existing LOB snapshot models typically lack a learned recurrent encoder and formal statistical guarantees. We introduce LOBGrad, a conditional DDPM framework for probabilistic LOB forecasting that combines an autoregressive RNN encoder with a diffusion-based generator. In particular, we establish an excess-risk oracle inequality for the one-step DDPM noise-prediction objective under exponential mixing and regularity assumptions. We further show that, under contractive dynamics, the dependence on the conditioning-window length can be reduced to a dependence on the latent-state dimension. Experiments on BTC/USDT, GOOGL, and META show that LOBGrad improves on its encoder-free diffusion ablation across all reported queue metrics and obtains competitive results against other baselines. It also reproduces the key stylized facts of LOB microstructure, and yields reasonably calibrated queue-based predictive intervals. A stylized downstream task illustrates the potential value of the generated forecasts.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Probabilistic logic, Stylized fact, Autoregressive model, Computer science, Gaussian, Statistical model

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange